Pose Estimation

学习姿态估计如何利用关键点来跟踪运动。探索真实世界中的应用，并开始使用 Ultralytics YOLO26 以获得快速、准确的结果。

姿态估计是一种专业的计算机视觉技术，它不仅能检测对象的存在，还能理解其几何结构和物理方向。虽然标准的 object detection 会在主体周围画一个简单的矩形框，但姿态估计会识别特定的语义点，即 keypoints，例如人体关节（肘部、膝盖、肩部）或车辆的结构角点。通过映射这些地标，machine learning 模型可以重构主体的骨架表示，使系统能够解读二维或三维空间中的肢体语言、运动动态和精确位置。

Link to this section核心机制：自上而下与自下而上#

现代姿态估计在很大程度上依赖于复杂的 deep learning 架构，通常利用 Convolutional Neural Networks (CNNs) 来处理视觉数据。这些算法通常遵循以下两种主要策略之一来识别关键点：

自上而下的方法 (Top-Down Approaches)：该方法首先采用对象检测模型来定位 bounding boxes 内的各个实例。一旦从更大的图像中裁剪出人或物体，姿态估计器就会预测该特定区域内的关键点。这种方法通常非常准确，但随着帧中主体数量的增加，可能会出现更高的 inference latency。
自下而上的方法 (Bottom-Up Approaches)：相反，该策略同时检测整幅图像中的所有潜在关键点（例如，找出人群中的每一个“左膝”），然后使用关联算法将它们组合成单个骨架。由于无论在场人数多少，计算成本都相对恒定，因此该方法通常是拥挤场景中 real-time inference 的首选。

像 YOLO26 这样最先进的模型利用了先进的端到端架构，平衡了这些需求，提供了适用于在 edge AI 设备和移动平台上部署的高速姿态估计。

Link to this section区分相关的计算机视觉术语#

区分姿态估计与其他视觉识别任务，有助于你理解其在 computer vision 工作流中的独特价值：

Object Detection：侧重于识别物体是“什么”以及它“在哪里”，并输出一个矩形框。它将主体视为一个刚性物体，而不了解其内部的关节连接。
Instance Segmentation：生成一个像素级的掩码，勾勒出物体的精确形状。虽然分割提供了边界，但它不能明确识别 kinematic analysis 所需的关节或骨骼链接。
Pose Estimation：专门针对内部结构，映射预定地标（例如，臀部到膝盖）之间的连接，以分析姿势和动作。

Link to this section实际应用#

对人类和物体运动进行数字化的能力带来了各行各业的变革性应用，这些应用通常使用 Ultralytics Platform 等工具进行训练，以管理大规模的注释关键点数据集。

Link to this section医疗保健与康复#

在医疗领域，AI in healthcare 利用姿态估计远程监测患者康复情况。通过追踪关节角度和运动范围，自动化系统可以确保患者在家中正确地进行 physical therapy exercises。这降低了再次受伤的风险，并允许临床医生在无需昂贵实验室设备的情况下量化康复进度。

Link to this section体育分析#

教练和运动员利用 sports analytics 来优化表现。姿态估计模型可以分析高尔夫球手的挥杆平面、跑步者的步幅或投手的生物力学，而无需使用传统 motion capture 中所用的侵入式标记服。这提供了即时、数据驱动的反馈，以改进技术并预防过度使用损伤。

Link to this section零售与行为分析#

在商业环境中，AI in retail 系统使用姿态检测来了解客户行为，例如伸手拿取高处货架上的产品或在特定通道停留。通过将身体动作与购买决策相关联，这些数据有助于优化商店布局并改善 inventory management。

Link to this section代码示例：使用 YOLO26 进行姿态估计#

使用现代 Python 框架实现姿态估计非常简单。以下示例演示了如何使用 ultralytics 软件包加载预训练的 YOLO26 模型（YOLO11 的继任者）并检测图像中的人体关键点。

from ultralytics import YOLO

# Load the YOLO26 pose model (nano version for speed)
model = YOLO("yolo26n-pose.pt")

# Perform inference on an image source
# The model identifies bounding boxes and specific keypoints (joints)
results = model("https://ultralytics.com/images/bus.jpg")

# Print the xy coordinates of detected keypoints
print(results[0].keypoints.xy)

# Visualize the skeletal results directly
results[0].show()